本文介绍了机器学习中的基本概念，包括聚类、似然、剪枝和K最近邻（KNN）算法。详细阐述了KNN的基本思想、优缺点，以及在决策树中防止过拟合的方法。同时，探讨了集成学习中的bagging和adaboost的异同。接着，深入讨论了支持向量机（SVM）的概念、解决线性不可分问题的策略及其对偶形式的推导。最后，对比了神经网络和SVM的特性，并分析了线性激活函数的局限性，以及学习率对模型训练的影响。此外，还列举了神经网络在实际生活中的应用案例。
一、名词解释
- 聚类
- 似然
- 剪枝
- K最近邻
二、简答题
- 1号碗中装有30个水果味糖和10个巧克力味糖，2号碗中装有20个水果糖和20个巧克力糖。现摸出一个水果糖求是从1号碗中摸出的概率。
- 简述KNN的基本思想和优缺点
- 简述集成思想和bagging和adaboost异同
- 简述ID3的优缺点，以及决策树中如何防止过拟合
三、综合题
- SVM的定义
- SVM解决线性不可分问题的方法和基本思想
- 对偶形式的推导
四、综合题
- 比较神经网络和SVM
- 如果激活函数为线性函数的缺陷
- 简述学习率的影响
- 举例生活中应用神经网络的例子，并简述其影响
扫一扫
880
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
